Measurement of Thermal and Electrical Parameters in Photovoltaic Systems for Predictive and Cross-Correlated Monitorization
Abstract
Photovoltaic electricity generation is growing at an almost exponential rate worldwide, reaching 400 GWp of installed capacity in 2018. Different types of installations, ranging from small building integrated systems to large plants, require different maintenance strategies, including strategies for monitorization and data processing. In this article, we present three case studies at different scales (from hundreds of Wp to a 2.1 MWp plant), where automated parameter monitorization and data analysis has been carried out, aiming to detect failures and provide recommendations for optimum maintenance procedures. For larger systems, the data collected by the inverters provides the best source of information, and the cross-correlated analysis which uses these data is the best strategy to detect failures in module strings and failures in the inverters themselves (an average of 32.2% of inverters with failures was found after ten years of operation). In regards to determining which module is failing, the analysis of thermographic images is reliable and allows the detection of the failed module within the string (up to 1.5% for grave failures and 9.1% of medium failures for the solar plant after eleven years of activity). Photovoltaic (PV) systems at different scales require different methods for monitorization: Medium and large systems depend on inverter automated data acquisition, which can be complemented with thermographic images. Nevertheless, if the purpose of the monitorization is to obtain detailed information about the degradation processes of the solar cells, it becomes necessary to measure the environmental (irradiance and ambient temperature), thermal and electrical parameters (I-V characterization) of the modules and compare the experimental data with the modelling results. This is only achievable in small systems.
Description
La generación de electricidad fotovoltaica está creciendo a un ritmo casi exponencial en todo el mundo, alcanzando los 400 GWp de capacidad instalada en 2018. Los distintos tipos de instalaciones, desde pequeños sistemas integrados en edificios hasta grandes plantas, requieren diferentes estrategias de mantenimiento, incluidas estrategias de monitorización y procesamiento de datos. En este artículo, presentamos tres estudios de casos a diferentes escalas (desde cientos de Wp hasta una planta de 2,1 MWp), en los que se ha llevado a cabo la monitorización automatizada de parámetros y el análisis de datos, con el objetivo de detectar fallos y proporcionar recomendaciones para procedimientos de mantenimiento óptimos. En los sistemas de mayor tamaño, los datos recogidos por los inversores constituyen la mejor fuente de información, y el análisis cruzado que utiliza estos datos es la mejor estrategia para detectar fallos en las cadenas de módulos y fallos en los propios inversores (se ha detectado una media del 32,2% de inversores con fallos tras diez años de funcionamiento). En cuanto a determinar qué módulo está fallando, el análisis de las imágenes termográficas es fiable y permite detectar el módulo que falla dentro de la cadena (hasta un 1,5% de fallos graves y un 9,1% de fallos medios para la planta solar tras once años de actividad). Los sistemas fotovoltaicos (FV) a diferentes escalas requieren distintos métodos de monitorización: Los sistemas medianos y grandes dependen de la adquisición automática de datos del inversor, que puede complementarse con imágenes termográficas. Sin embargo, si el objetivo de la monitorización es obtener información detallada sobre los procesos de degradación de las células solares, se hace necesario medir los parámetros ambientales (irradiancia y temperatura ambiente), térmicos y eléctricos (caracterización I-V) de los módulos y comparar los datos experimentales con los resultados de la modelización. Esto sólo es posible en sistemas pequeños.
Collections
- Artículos de Revista [4552]
Except where otherwise noted, this item's license is described as Attribution 4.0 International